多张参考图生成复杂场景，这一任务正成为检验AI视觉理解能力的新战场。当用户要求模型将四张图片中的元素进行重组——用第一张图的车、第二张图女人身上的花纹制作新咖啡杯，并将杯子置于车右下方的桌面上，看似简单的指令背后，实则考验着模型对多模态信息的精准拆解与重组能力。上海交通大学团队最新研究指出，现有评测体系存在致命缺陷：模型生成失败时，开发者无法定位问题究竟出在元素识别、属性提取还是组合绑定环节。
传统评测方式犹如给体检报告打"亚健康"总分。当模型生成的人物穿错外套颜色时，现有方法只能给出0.6分的笼统评价，却无法说明是识别错误、属性提取偏差还是绑定失误。尽管MultiBanana、MICON-Bench等基准通过增加参考图数量扩大评测规模，但本质上仍沿用"任务导向"分类法，预先定义物体组合、风格迁移等任务类型。这种模式面临三大困境：无法覆盖用户无穷尽的需求组合、难以诊断故障根源、无法量化控制任务复杂度。
研究团队提出颠覆性框架：将多参考图生成拆解为四个原子操作符。锚定操作要求从参考图中精准定位特定实体，如识别蓝色汽车并保持其身份特征；解耦操作需单独提取目标属性，如剥离花纹而不携带人物其他信息；应用操作将解耦属性绑定至新目标，如将花纹转移到咖啡杯；组合操作则构建多元素场景关系，如确定杯子与车的空间位置。这四个动作的排列组合，可覆盖虚拟试衣、多人合照排版等看似不同的应用场景。
为量化评估复杂度，研究团队设计出三层公式化表达体系。实体表达式定义单个目标物体，场景表达式描述多物体组合关系，完整提示公式则整合全局约束条件。例如公式F = C(C(f?, T?⊕g?)⊕g_rel, f?⊕g?⊕g?) ⊕ g_global，通过嵌套操作符明确各元素间的依赖关系。这种数学化表达使复杂度可量化计算——公式中的操作符槽位数量直接反映任务难度，为系统性生成测试案例提供可能。
基于该框架构建的TRACE-Bench评测集，包含1600个测试案例，覆盖1至8个槽位的复杂度范围。研究团队从Danbooru2025动漫数据集、LAION网络图文库和cc12m真实场景数据中，通过均衡采样算法筛选出3839张参考图，并补充200张合成图片覆盖稀有场景。每张图片经结构化标注，提取外观、形态、动态和全局属性四大层级信息，特别对人物角色增加发型、五官等精细标签，以应对用户对人脸错误的敏感性。
评测环节突破传统总分制，将每个操作符实例转化为具体是非题。锚定评测分为实体存在性和一致性判断；应用评测则细分为属性存在性、绑定正确性、实体完整性和融合自然度四个维度。通过对比Gemini、GPT等视觉语言模型的自动评分与人工标注结果，验证了系统85%以上的判断一致性。更进一步的诊断树分析，通过逐步剥离全局约束、拆分组合元素、简化关系描述等方式，像医生排查病因般定位故障根源。
对9个主流模型的实测显示，闭源模型全面领先开源模型，Nano Banana 2以0.8205的平均分居首，但四项能力均未突破0.8分。解耦和应用环节成为普遍短板，GPT-Image-1.5在组合场景中取得0.9259的高分，却在属性绑定上失分较多。实验还发现反直觉现象：参考图实体数量对锚定准确率的影响远大于槽位复杂度，当图片包含过多元素时，模型定位目标实体的难度呈指数级上升。
具体案例分析揭示模型行为差异。在虚拟试衣场景中，开源模型倾向强行保留所有参考元素导致画面不自然，闭源模型则可能选择性丢弃信息以维持画面美观。多人合照测试显示，29%的组合失败源于全局风格约束干扰，而联合参考有时反而能增强个体身份保留——复杂场景可能为模型提供更多定位线索。这些发现挑战了"复杂度与错误率正相关"的传统认知，为模型优化指明新方向。
